DNA Research

随着 AI 越来越擅长理解自然语言和用户意图，Google 搜索正在经历重大变革。过去主要依赖高搜索量关键词的 SEO 策略已经不再足够。企业和营销人员需要调整策略，适应 AI Search 时代，更加注重提供有价值的答案、内容的语境相关性，以及用户的 Search Intent，而不仅仅是关键词的堆砌。

AI 搜索正在改变 SEO 的运作方式

过去，SEO 通常从选择搜索量较高的关键词开始。然而，随着 Google AI Search 和 AI Overview 不断提升对自然语言的理解能力，搜索排名的逻辑已经从“关键词匹配”逐渐转向理解用户真正的需求，也就是 Search Intent（搜索意图）。

为什么 Search Intent 比 Keyword 更重要

Search Intent 指的是用户搜索背后的真实目的，无论是获取知识、比较服务，还是准备购买产品。相比单纯堆砌关键词，能够提供清晰答案、结构完善且内容可信的网站，更有机会获得更高的搜索排名。

AI 正在帮助搜索引擎更好地理解用户

这一变化也反映了 AI 技术的发展趋势，它正在重新定义搜索引擎理解内容的方式。正如 Digital Nation Agency 在 Beyond LLMs: How Large World Models (LWMs) and Spatial Intelligence Are Redefining AI  一文中提到，新一代 AI 正从理解语言发展到理解真实世界的环境与语境，从而帮助搜索引擎更准确地理解用户意图。

企业应该如何调整 SEO 策略

在 AI 搜索时代，企业应先理解客户希望解决的问题，再自然地将相关关键词融入内容中。这也是 AI 驱动 SEO 与数字营销  的核心策略之一，不仅能提升自然流量的质量，也能提高访客转化为长期客户的机会。

过去几年，大型语言模型（Large Language Models，LLMs）如 GPT-4 和 Claude 一直主导着人工智能的发展。它们能够阅读、写代码、整合文档，并以惊人的能力与人类进行对话。然而，尽管 LLM 在语言处理方面表现卓越，它仍然存在一个根本性的架构瓶颈：它们并不真正理解现实世界的物理空间。

人工智能先驱、World Labs 联合创始人李飞飞（Dr. Fei-Fei Li）指出，语言只是描述高维物理现实的一种有损、低带宽的信息通道。 正因如此，大型世界模型（Large World Models，LWMs）应运而生，成为推动下一阶段空间智能（Spatial Intelligence）的核心技术架构。

对于开发者、软件架构师以及技术领导者而言，理解 LLM 与 LWM 之间的技术差异，将是布局下一波 AI 工程浪潮的关键。

什么是大型世界模型（LWM）？

大型语言模型（LLM）学习的是文本序列中的统计规律，例如“给定这个词元（Token），下一个词元是什么？”；而大型世界模型（LWM）学习的是物理与空间环境中的动态表示，例如“在当前状态下执行这个动作，会发生什么？”

LWM 围绕着空间智能（Spatial Intelligence）而设计，它具备感知、生成、推理以及与三维（3D）和四维（4D）空间交互的能力。

不同于将世界压缩为文本向量，LWM 会直接建模现实世界的重要属性，包括：

几何结构（Geometry）

深度（Depth）

遮挡关系（Occlusion）

重力（Gravity）

物体之间的关系（Object Relationships）

因果动态（Cause-and-Effect Dynamics）

为什么 LLM 难以真正理解物理世界？

LLM 可以解释重力原理、编写抛物线轨迹的 Python 程序，甚至总结一本物理教材。但描述结果并不等于真正模拟现实。

当 LLM 面对复杂的现实任务时，例如：

控制机器人机械臂；

预测液体倾倒后的流动；

在三维环境中保持镜头一致性；

它往往会因为状态漂移（State Drift）以及缺乏物理基础（Physical Grounding）而失败。

原因在于，LLM 并没有持续维护一个真实的三维世界内部模型，因此它把物理动作当作语言抽象来处理，而不是现实世界中的实际状态变化。

LWM 如何运作？空间 AI 的三大核心支柱

在李飞飞的研究中，世界模型（World Model）的能力主要分为三个关键组成部分。

1. 渲染器（Renderers）：感知与生成

渲染器负责从极少量输入（如文本、二维图片或视频）生成具有空间一致性的可交互三维世界。

代表技术包括：

3D Gaussian Splatting

文本生成 3D 场景

图像生成可编辑空间环境

2. 模拟器（Simulators）：物理推理

模拟器会在内部建立物体的物理属性模型，包括：

材料特性

质量

碰撞

环境约束

借此预测物体在受到外力作用后会如何变化。

3. 规划器（Planners）：行动与控制

规划器能够在真正执行动作之前，在内部模拟不同方案，从而选择最佳行动路径。

典型应用包括：

自动导航

机器人抓取与操作

摄像机路径规划

这对程序员和开发者意味着什么？

从语言中心 AI 向空间 AI 的转变，将为开发者带来全新的软件设计模式。

1. 从二维开发流程迈向基础三维生成

过去，开发者需要在游戏引擎中编写复杂的程序生成算法（Procedural Generation）或手动搭建渲染流程。

未来，则可以通过 World Labs 的 Marble 等 API，让 LWM 按需动态生成持续存在且可编辑的三维场景，大幅降低开发复杂度。

2. 升级自主智能代理（Autonomous Agents）

传统 LLM Agent 主要依赖文本工具调用（Tool Calling）。

下一代 Agent 将运行在由 LWM 驱动的模拟环境（Sandbox）中，在真正执行数字操作或物理动作之前，先模拟其结果，从而显著降低：

自动化错误

UI 操作失误

机器人执行风险

3. 构建 LLM 与 LWM 的混合架构

未来的软件架构并不是让 LWM 完全取代 LLM，而是让两者协同工作。

LLM：负责自然语言交互、高层策略规划与任务理解。

LWM：负责空间推理、物理模拟以及验证真实世界或视觉状态的变化。

这种混合架构将成为未来 AI 系统的重要发展方向。

迎接空间计算时代

语言智能让机器学会与人类交流；空间智能则让机器真正能够理解并与现实世界互动。

随着大型世界模型（LWMs）的不断成熟，软件开发将快速扩展到：

空间计算（Spatial Computing）

可交互三维内容生成

具身机器人（Embodied Robotics）

下一代 AI 应用开发

对于希望保持竞争力的程序员而言，未来十年最值得投入的技能方向包括：

3D 计算机视觉（3D Computer Vision）

空间计算框架（Spatial Frameworks）

物理模拟（Physics Simulation）

具身 AI 架构（Embodied AI Architectures）

这些能力将成为下一代人工智能工程的重要基础。

过去几年，AI 已经从只能回答问题的系统，发展成为能够自主规划、决策并执行多步骤任务的智能技术。推动这一转变的核心技术就是 AI Agent，它正成为 2026 年企业和开发者最值得关注的技术趋势之一。

此前，Beyond LLMs: How Large World Models (LWMs) and Spatial Intelligence Are Redefining AI  介绍了 AI 如何从语言理解迈向真实世界理解，而 AI Agent 则进一步将这些能力转化为实际执行能力。

对于开发者、软件架构师和企业而言，理解 AI Agent 的工作原理，是迎接下一代智能自动化的重要一步。

什么是 AI Agent？

与聊天机器人一次响应一条指令不同，AI Agent 能够接收目标、规划多个步骤、做出决策，并与外部工具协作，自主完成复杂任务。

AI Agent 不仅存在于聊天界面中，还可以连接 API、数据库和企业平台，实现端到端的自动化工作流程。

AI Agent 与聊天机器人有什么不同？

虽然两者都基于 AI 技术，但其工作方式存在明显区别。

聊天机器人主要负责回答问题，而 AI Agent 的目标是通过多步骤协同执行来完成任务。

AI Agent 的四大核心能力

AI Agent 能够实现智能决策和自动执行，主要依赖以下四项核心能力。

1. 目标（Goal）

每个工作流程都始于明确的目标，例如生成销售报告、汇总客户反馈或分析业务数据。

2. 规划（Planning）

收到目标后，AI Agent 会先将复杂任务拆分为多个步骤，再按照最佳顺序执行。

3. 记忆（Memory）

AI Agent 能够保留任务上下文，使工作流程保持连贯，同时减少重复操作。

4. 工具调用（Tool Calling）

AI Agent 可以连接 Google Workspace、Slack、CRM、ERP 和数据库等平台，实现数据读取、处理和自动更新。

这对企业和开发者意味着什么？

AI 正从“回答问题”迈向“完成工作”，为企业构建智能自动化系统带来了更多可能，这也与 Services  所展示的数字化解决方案方向高度契合。

1. 减少重复性工作

AI Agent 可以自动完成数据整理、报告生成等日常重复任务。

2. 加快决策速度

通过连接多个系统的数据，企业能够获得实时洞察，从而提升决策效率。

3. 推动智能自动化规模化应用

企业可以将 AI Agent 应用于客户服务、市场营销、数据分析和内部运营，这种趋势也体现在 Work  所展示的数字化项目实践中。

AI Agent 与 AI Search 的未来

随着搜索引擎越来越重视 Search Intent，AI Agent 可以帮助完成关键词分析、内容规划、排名监测以及 SEO 报告生成等工作，使搜索优化更加智能和系统化。

迎接 AI 自动化时代

AI 正从一个回答问题的工具，发展成为能够与人类协作、规划并执行实际工作的智能伙伴。随着 AI Agent 不断成熟，企业将能够建立更加灵活的自动化系统，连接多个平台，并更高效地利用数据驱动决策。

对于希望保持竞争优势的专业人士来说，学习 AI Agent、API 集成、工作流自动化以及 AI 架构设计，将成为未来十年的重要技能。更多内容可访问 Knowledge ，或通过 Contact Us  了解 AI 数字化解决方案。

SEO 并不是从撰写文章或选择关键词开始，而是从确保搜索引擎能够正确发现、理解并索引网站开始。如果网站加载速度慢、索引存在问题，或技术结构不完善，即使拥有优质内容，也可能难以获得理想的搜索排名。

因此，Technical SEO 成为了帮助 Google 和 AI Search 更高效访问网站的重要基础。

什么是 Technical SEO？

Technical SEO 指的是优化网站的技术结构，让搜索引擎能够顺利完成 Crawl、Render 和 Index，同时提升用户的整体访问体验。

与侧重内容优化的 On-Page SEO 不同，Technical SEO 更关注网站背后的技术表现。

Technical SEO 的四大核心组成部分

1. 网站速度（Site Speed）

加载速度更快的网站能够提供更好的用户体验，同时也是 Google 的重要排名因素之一。

需要优化的内容包括：

• Core Web Vitals

• 图片压缩

• CSS 和 JavaScript 优化

• 浏览器缓存

2. 正确的 Crawl 与 Index

搜索引擎需要能够顺利访问网站的重要页面。如果抓取或索引出现问题，页面可能无法出现在搜索结果中。

重点检查内容包括：

• XML Sitemap

• Robots.txt

• Canonical Tags

• Redirects

3. 移动端友好（Mobile-Friendly）

随着 Google 采用 Mobile-First Indexing，网站必须在手机、平板和电脑等不同设备上都能提供良好的浏览体验。

4. Structured Data 与 Schema Markup

Schema Markup 能帮助搜索引擎更准确理解网页内容，并提高获得 Rich Results 的机会。

为什么 Technical SEO 对企业如此重要？

完善的技术结构能够帮助搜索引擎更高效地处理网站内容，并带来长期价值，例如：

• 更快完成页面索引

• 提升用户体验

• 减少抓取与索引问题

• 支持长期 Organic Traffic 增长

完成 Technical SEO  的技术优化后，下一步可以通过 On-Page SEO  优化页面内容，让用户和搜索引擎都能更容易理解网页主题。

为 AI Search 做好准备

随着 AI Search 和 AI Overviews 越来越重视网站质量和技术可靠性，建立稳固的技术基础已经成为开展内容创作、关键词策略和网站权威建设之前的重要一步。

从 Technical SEO 开始优化，将帮助网站更好地适应当前以及未来 AI 驱动的搜索环境。

人工智能已正式跨越从实验性技术到关键基础设施的门槛。商业领袖和政策制定者不再仅仅将计算机视为智能手机或个人电脑那样的工具，而是将人工智能视为一种具有生产力的国家级基础设施——其地位与电力、道路或电信网络相当。

1. Token（词元）经济：作为新型商品的人工智能

这一经济转型的核心在于“Token”（词元）这一概念。在计算机科学中，Token 是大语言模型（LLM）和生成式 AI 系统处理的基本单位。从市场角度看，Token 代表了一种新的资产类别：

能源转化：现代 AI 数据中心将原始电能转化为智能的数学表征——即 Token。

货币化模式的转变：过去，能源按千瓦时（/kWh）计价；如今，智能经济日益转向按“每百万 Token 的美元价格”（/M tokens）进行运作。

无形价值：正如电力驱动的动力推动了工业革命一样，Token 为驱动现代软件、工业设计、医疗保健和金融领域的认知引擎提供了动力。

2. 五层 AI 架构栈：战略蓝图

要参与新兴的 AI 经济，企业和国家无需从零开始构建每一个组件。人工智能的架构由五个层级构成：

能源网：基础基准层。电能被利用并转化为高密度的数学计算。

硬件与芯片：专为加速计算设计的高性能 GPU 和专用芯片。

物理基础设施：旨在支持大规模计算集群的数据中心、供电单元及物理设施。

AI 模型：基础模型、特定领域大语言模型以及专用神经网络。

数据与应用：顶层架构，组织在此应用模型以变革实际业务运营。

战略洞察：组织和区域经济体无需主导全部五个层级，也能获取巨大的价值。最直接的投资回报（ROI）源于人工智能的广泛普及——即利用第五层（数据与应. 用）来解决医疗保健、农业、物流和公共管理等领域的特定问题。

3. 彻底的民主化：自然语言即代码

半个世纪以来，直接调用算力的权限仅限于数百万精通专业代码的软件工程师。生成式人工智能消除了这一障碍：

人机语言交互：任何能够书写或口述标准自然语言的人，都可以指挥并编程人工智能系统。

专业能力的民主化：先进的技术能力、分析工具和专家知识变得触手可及，从而为各种规模的组织创造了公平的竞争环境。

经济流动性：智能技术的民主化使小型团队、初创企业和新兴市场能够构建复杂的解决方案——而这些方案过去往往只有科技巨头才有能力开发。

4. 释放价值 100 万亿美元的机遇

向人工智能驱动的生产力转型正在重塑全球市场生态系统。志在引领这一新时代的组织应聚焦于三大战略支柱：

构建主权人工智能基础设施：建立本地化的数据和算力能力，在保持运营自主权的同时，保护专有数据和区域性智能资产。

聚焦高影响力应用场景：将人工智能的整合重点放在已具备核心领域专业知识的环节——无论是生物技术、制造业还是金融服务领域。

缩短开发周期：重新评估项目路线图。加速计算技术使得原本需要数年时间才能完成的项目，如今仅需数月即可落地实施。

过去两年，llms.txt 被广泛讨论，许多人认为它可能成为网站进入 ChatGPT、Google AI Overviews 等 AI 搜索结果的重要技术。

然而，2026 年的大规模研究给出了不同的答案。对 137,000 多个网站 的分析发现，大多数 llms.txt 文件几乎从未被访问，而 Google 也明确表示，该文件不是 Google Search 或 AI Overviews 的排名因素。

真正影响 AI 可见性的，仍然是高质量内容、清晰的网站结构，以及值得信赖的信息。

1. 为什么 llms.txt 会成为热门话题？

llms.txt 的初衷是为 AI 提供一个机器可读的网站导航说明，让模型更容易理解网站内容。

由于部署简单，它迅速成为 SEO 圈的热门建议。

• 部署成本低，几分钟即可完成。

• 被视为 AI 优化捷径。

• 主流 SEO 插件陆续支持。

但流行并不等于真正有效。

2. 2026 年的数据说明了什么？

最新研究显示：

• 97% 的 llms.txt 文件没有收到任何访问请求。

• 少数访问主要来自技术检测机器人，而非 AI 用于生成答案。

• Google 已确认不会将 llms.txt 用作 Search 或 AI Overviews 的排名信号。

目前，多数 AI 平台也尚未正式宣布将该文件作为引用来源的重要依据。

3. 真正提升 AI Visibility 的方法

企业应将资源投入到真正有效的 SEO 基础建设。

主题权威（Topical Authority）

围绕核心领域持续发布相关内容，建立专业形象。

结构化数据（Schema Markup）

帮助 AI 更准确理解文章、产品和企业信息。

Technical SEO

网站速度、移动端体验和可抓取性仍然至关重要。

原创内容

具有独特经验和可信依据的内容，更容易被 AI 引用。

Google 也指出，AI 优化应建立在 SEO 基础之上，而不是取代 SEO。

4. 企业应该如何长期布局？

AI Search 的竞争，不再依赖某一个技术文件，而是依赖长期建立的网站质量。

企业应重点投入：

• 建立完整的主题内容体系。

• 回答用户真实搜索问题。

• 优化网站信息架构。

• 持续维护 Technical SEO。

这些投入不仅能提升传统搜索排名，也能增强未来 AI Search 的可见性。